本文评估了基于Segment Anything Model (SAM)的医学图像分割能力，结果表明SAM在CT数据上表现良好，适合半自动分割。研究提出了AutoSAM Adapter和MaskSAM等多种改进方法，显著提升了3D医学图像分割性能，并提出了不确定性引导的自动多提示适应框架MedSAM-U，以进一步提高分割准确性。

ESP-MedSAM 是一种用于通用医学图像分割的高效自我提示模型，通过多模态解耦知识蒸馏和自动化补丁提示生成器与查询解耦模态解码器的组合，克服了 Segment Anything Model (SAM) 的计算成本高、依赖手动注释、不适应医学多样性等挑战，实现了出色的零样本学习和模态转移能力。